研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019

远程医疗诊断对于实际医疗系统至关重要，本研究提出了一种面向诊断的医学图像压缩的有效转移学习编码器，通过调整部分策略网络参数以适应医学图像，实验证明仅使用 1 个医学样本，我们的压缩系统可以与 HEVC 参考标准相比节省 47.594% 的比特率，达到 47.594% 的比特率节省。

Oct, 2023

本文介绍了一种层次生成式图像压缩模型，该模型支持多任务分析，通过学习感知图像压缩方法提供可压缩的紧凑表示，并实现高分辨率图像重建以及压缩率和感知性能的平衡。实验结果表明，该模型对于 RGB 基于方法可以降低 99.6% 的比特率并实现可比拟的分析结果。

Apr, 2023

该论文提出了一种基于压缩域计算机视觉处理器的压缩领域计算机视觉解决方案的设计分类方法，以 JPEG Pleno Point Cloud Coding 标准为基础设计压缩域点云分类处理器，并通过实验结果展示了该方法在点云分类任务上的性能优势。

Oct, 2023

该论文介绍了一种基于深度学习的无损压缩方法，针对医学体积图像提出了一个只需要其他学习型压缩方法的千分之一的模型权重的硬件友好流式无损体积压缩框架，通过融合不同的卷积结构和门控循环卷积神经网络机制来捕捉切面间的依赖关系，并基于这样的上下文信息来预测像素级的熵编码分布，通过硬件 / 软件的协同设计原则，在可编程门阵列上实现了提出的框架以实现增强的实时性能，在各种医学图像基准测试中，广泛的实验结果显示我们的方法优于传统无损体积压缩器和现有的学习型无损压缩方法，同时我们的方法表现出强大的泛化能力和有竞争力的压缩速度。

Nov, 2023

本研究开发了一种基于人类视觉和深层神经网络架构的图像压缩框架 DeepN-JPEG 来降低智能物联网系统中数据存储和传输开销，并通过实验证明该方法能够在保持图像识别准确性的同时，实现高达 JPEG 的 3.5 倍的压缩率，具有在基于 DNN 智能物联网系统设计中提升存储和能量效率的巨大潜力。

Mar, 2018

本文介绍了一种新的图像编码方案，其通过利用压缩模型和生成模型共同支持机器视觉和人的视觉感知任务，并使用紧凑边缘映射连接两种视觉模式，实现了对图像特征的重新构建，其提供了有用的证据支持 MPEG VCM（面向机器的视频编码）标准化工作。

Jan, 2020

本文提出了一种基于学习的压缩编解码器，来减少自动驾驶车辆数据的压缩解压缩带来的时延，并且还能用于对图像进行语义分割任务。

Jul, 2023

本研究采用 3D 卷积神经网络对容积式医学图像进行分割，并提出了一种新的 3D 粗到细的框架，该框架不仅有效而且高效可靠，与 2D 方法相比取得更好的效果，并在临床应用中得到了可靠性保证。

Dec, 2017

本文提出一种基于多重数据结构的医学图像格式表示方法，它在医学图像中保留额外的元数据信息，并使用多层神经网络定义了自己的本体论来帮助分类医学图像中的对象。此外，研究人员还在云端使用 MapReduce 范例来改善数据处理速度，同时提出了一种基于去重的数据压缩方法以优化数据传输，该方案在多站点云环境中测试得到了验证。

Apr, 2023